Недавние работы Hermes Agent вызвали продуктивное обсуждение вокруг постоянной памяти, абстракции использования инструментов и циклов рефлексии в автономных агентах.

Вместо того чтобы подогревать ажиотаж, я хочу сравнить предложенную архитектуру Hermes с реализацией, которая уже более года работает в боевой среде: OpenClaw.

Цель состоит не в том, чтобы заявить о приоритете, а показать, где сходятся шаблоны—and где OpenClaw уже решил несколько одних и тех же инженерных задач.

Архитектура памяти

Hermes предлагает постоянную память между сессиями с векторным поиском и механизмами затухания.

OpenClaw реализует это с помощью Honcho как локального-first, программируемого слоя памяти. Ключевые технические решения:

• Временное затухание: более старые воспоминания получают экспоненциально более низкие оценки извлечения. Это предотвращает доминирование устаревшего контекста в рабочей памяти.
• MMR (Maximal Marginal Relevance): поисковый модуль балансирует между схожестью с текущим запросом и разнообразием возвращаемых воспоминаний. Дубликатов почти идентичных фрагментов нет.
• Нулевые вызовы API: вся система памяти работает локально—без круговых поездок к платным векторным базам данных или внешним сервисам эмбеддингов.

Рассуждения против использования инструментов

Hermes описывает чистое разделение между ядром рассуждений агента и его поверхностью вызова инструментов.

OpenClaw имеет это разделение с первого выпуска:

• Цикл рассуждений работает с компактным представлением «рабочей памяти».
• Инструменты определяются как модульные, типизированные функции с явными схемами.
• Агент никогда не вызывает инструменты напрямую; он выдаёт структурированный «запрос на инструмент», который оркестратор маршрутизирует и валидирует.

Это позволяет заменять модели (например, от небольшой локальной модели до GPT-4) без изменения интерфейса инструмента — шаблон, который делает вывод дешёвым для 95% шагов.

Циклы рефлексии

Hermes вводит «цикл рефлексии» для самокоррекции.

OpenClaw реализует это как ограничение, действующее только в отладчике:

• Агент в основном работает на небольших быстрых моделях (Ollama, llama.cpp).
• Платная модель (OpenAI, Anthropic) вызывается только тогда, когда агент достигает порога уверенности или сталкивается с ошибкой выполнения, и только для рефлексии по поводу неудачи и формирования исправленного плана.
• Это препятствует превращению циклов рефлексии в множитель затрат.

Мультиагентная оркестрация

Hermes предлагает делегирование подагентов с изолированными контекстами.

OpenClaw использует конвейеры Lobster—графы задач, основанные на DAG:

• Каждый субагент работает в своей собственной памяти и контексте инструментов.
• Родительский агент делегирует через структурированную передачу (передавая только соответствующий фрагмент состояния).
• Конвейеры могут быть составлены, закэшированы и воспроизведены для восстановления после сбоев без дополнительных затрат.

В тестах production это снижает потребление токенов на 70‑80 % при многошаговых задачах по сравнению с одним агентом, обрабатывающим всё.

Где Hermes действительно новый.

Быть справедливым, Hermes формализует развертывание и управление жизненным циклом таких агентов (версионирование, откат, A/B‑тестирование параметров памяти). OpenClaw в настоящее время лишён этой отточенности — это инструментарий, ориентированный на разработчиков, а не управляемая платформа.

Это полезное направление для всей области.

Итог

Если вы сегодня создаёте агента, вам не нужно ждать закрытой реализации Hermes.

Основные паттерны — постоянная память с временным затуханием, поиск MMR, разделенные слои рассуждений/инструментов, циклы рефлексии с контролем затрат и оркестрация суб-агентов на основе DAG — уже реализованы в OpenClaw, с полными файлами конфигурации и примерами, доступными.

Вы можете клонировать его, запустить на ноутбуке и начать изменять архитектуру за один день.

Статья, документирующая всё это, находится здесь: Building OpenClaw на нулевом бюджете: Гибридная многоагентная память с временным затуханием и MMR

Давайте сохраним разговор техническим. Какую часть этой архитектуры вы хотели бы изучить более глубоко?